當我們談論計算機技術(shù)的未來時，不可避免地會提到“云計算”。它已成為我們?nèi)粘Ｉ詈蜕虡I(yè)活動中必不可少的一部分，大大改變了我們處理數(shù)據(jù)和進行業(yè)務的方式。但是，如今的世界需要更快、更可靠、更靈活的解決方案。邊緣計算便是應運而生，它將計算和存儲能力移動到更接近數(shù)據(jù)源的地方，為我們帶來更高效的計算和更快速的響應時間。它正在改變我們的世界，讓我們一起走進邊緣計算的時代。

我們現(xiàn)在經(jīng)常聽到邊緣計算的概念，那么到底什么是邊緣呢？邊緣一定是針對云（中心化）而言的概念。嚴格從架構(gòu)上區(qū)分，應該有三種類型的架構(gòu)：

邊緣架構(gòu)是將計算、存儲和分析任務放置在物理位置接近數(shù)據(jù)源和用戶的邊緣設備上，例如路由器、傳感器、攝像頭等。這樣可以避免數(shù)據(jù)傳輸?shù)难舆t和成本，并提高數(shù)據(jù)隱私和安全性。

中心化架構(gòu)（又稱為云架構(gòu)）是將計算、存儲任務集中在一些大型的數(shù)據(jù)中心中進行處理，例如云計算和傳統(tǒng)的數(shù)據(jù)中心。它可以提供更強大的計算能力、更高的存儲容量和更靈活的資源管理，但是也存在數(shù)據(jù)傳輸延遲和安全性等問題。

霧網(wǎng)絡則是介于云和邊緣之間的一種架構(gòu)，它是在邊緣設備和云計算中心之間建立一層中間的計算平臺，通常霧計算部署在網(wǎng)絡邊緣層，可理解為本地化的云計算，既可以在邊緣設備上執(zhí)行一些簡單的任務，也可以在云計算中心執(zhí)行更復雜的計算任務。有有些技術(shù)中，霧網(wǎng)絡或者霧計算，也被歸為邊緣計算的范疇。實際上，霧計算（Fog Computing）是云計算的延伸概念。相比“云”的縹緲，“霧”更接近地面，且由性能較弱的、更分散的各類功能計算機組成，滲入工廠、汽車、電器、街燈及我們物質(zhì)生活中的各類用品。這個概念最初起自美國紐約哥倫比亞大學的Prof. Stolfo教授起，只不過當時的意圖是利用“霧”來阻擋黑客入侵，后來思科進行了理論性發(fā)展。所以，可以將霧計算理解為本地化的云計算。

"邊緣"出現(xiàn)的本質(zhì)是在互聯(lián)網(wǎng)傳輸能力和計算能力、存儲能力的一種平衡。如果對傳輸時延敏感，需要實時響應、而對本地部署設備成本不敏感的，可以采用邊緣架構(gòu)。而如果計算復雜、大容量存儲，需要大量數(shù)據(jù)分析和處理的需求使得本地化部署的成本高昂，就會采用云架構(gòu)。

經(jīng)常用到邊緣這個詞兒的，不只是邊緣計算，還有邊緣存儲，邊緣智能等等。它們都是指在離用戶或設備更接近的位置進行數(shù)據(jù)處理、存儲和分析的計算模式，以提高計算效率和降低延遲。那么邊緣計算，邊緣存儲，邊緣智能之間有什么區(qū)別呢？

• 邊緣計算：指在網(wǎng)絡邊緣設備上執(zhí)行計算任務，例如在智能手機、傳感器和工業(yè)機器人等設備上執(zhí)行計算任務，以降低網(wǎng)絡延遲和數(shù)據(jù)傳輸成本。邊緣計算旨在提高應用程序的響應速度和可靠性，并減少與云計算相關(guān)的數(shù)據(jù)傳輸延遲和帶寬成本。

• 邊緣存儲：指在邊緣設備或網(wǎng)絡邊緣存儲數(shù)據(jù)。這樣，數(shù)據(jù)可以更快地被訪問，并減少了數(shù)據(jù)傳輸延遲。邊緣存儲可以是在設備上的本地存儲，也可以是在設備附近的分布式存儲設備。

• 邊緣智能：指在邊緣設備或網(wǎng)絡邊緣進行的人工智能任務，例如圖像和語音識別。邊緣智能旨在減少與云計算相關(guān)的網(wǎng)絡延遲和數(shù)據(jù)傳輸成本，并提高計算效率和隱私性。

所以他們的區(qū)別就在于執(zhí)行任務的類型。

有人把邊緣計算、中心計算和人類的神經(jīng)系統(tǒng)來進行類比。就像人類的神經(jīng)系統(tǒng)一樣，邊緣計算也是由一系列分布在不同位置的節(jié)點組成，這些節(jié)點可以像神經(jīng)元一樣相互連接，形成一個分布式的網(wǎng)絡。同時，這些節(jié)點都有一定的計算能力和存儲能力，可以完成一些簡單的計算任務，也可以將數(shù)據(jù)傳輸?shù)狡渌?jié)點進行更加復雜的處理。類比于人類神經(jīng)系統(tǒng)中的神經(jīng)元，這些節(jié)點就像邊緣計算網(wǎng)絡中的基本單元。人的神經(jīng)系統(tǒng)包括中樞神經(jīng)系統(tǒng)和周圍神經(jīng)系統(tǒng)。周圍神經(jīng)系統(tǒng)負責傳遞信息，包括感覺信息和運動指令，而中樞神經(jīng)系統(tǒng)則負責信息處理和決策。在進行簡單任務時，例如觸摸燙手的物品，信息會通過周圍神經(jīng)系統(tǒng)傳遞到脊髓，并且在脊髓水平進行簡單的計算和處理，例如快速撤回手部。這個過程稱為反射。這種反射是自動的，不需要經(jīng)過大腦的高級處理，因此反應速度很快。當任務更復雜時，例如需要較高級別的決策，信息會被傳遞到大腦的皮層進行更深層次的處理和分析。在這種情況下，反應速度會相對較慢，因為需要經(jīng)過更多的計算和決策過程。可以說邊緣計算是一種更簡單、更快速的反應機制，類似于人類神經(jīng)系統(tǒng)的條件反射。而云計算則更類似于復雜的認知推理，需要更多的時間和計算資源來完成復雜的任務。

根據(jù)Gartner的數(shù)據(jù)，預計到2025年，75%的數(shù)據(jù)將在傳統(tǒng)數(shù)據(jù)中心或云環(huán)境之外進行處理。邊緣計算發(fā)展勢如破竹，高歌猛進，一定是有其重要原因的：

2.1降低延遲，提升速度

這個優(yōu)點是顯而易見的，因為邊緣設備更接近數(shù)據(jù)源，可以直接處理數(shù)據(jù)并返回結(jié)果，而不需要將數(shù)據(jù)傳輸?shù)皆贫诉M行處理。隨著網(wǎng)絡邊緣側(cè)設備的迅速增加，設備產(chǎn)生的數(shù)據(jù)存量達到澤字節(jié)的級別，從網(wǎng)絡邊緣設備傳輸傳輸海量數(shù)據(jù)到云數(shù)據(jù)中心致使網(wǎng)絡傳輸寬帶的負載量急劇增加造成較長的網(wǎng)絡延遲，單純的云計算已經(jīng)不足以匹配如此龐大規(guī)模數(shù)據(jù)量的即時計算。而網(wǎng)絡擁塞經(jīng)常發(fā)生的都是骨干網(wǎng)上，所以對實時響應和低延遲的業(yè)務和應用場景，比如智能駕駛、智能制造、智能醫(yī)療、虛擬現(xiàn)實和安防等領(lǐng)域，邊緣計算可以把延遲降低到毫秒級別，從而可以實現(xiàn)更加實時和高效的數(shù)據(jù)處理和決策。

2.2 數(shù)據(jù)安全性

盡管云計算和中心計算也會考慮數(shù)據(jù)安全和防護的問題，但是有一個基本道理：畢竟數(shù)據(jù)傳輸?shù)木嚯x越遠、路徑越長、數(shù)據(jù)穿過的網(wǎng)元數(shù)量越多，時間越久，數(shù)據(jù)的被竊取風險和丟失風險也就越高。在很多場景中，數(shù)據(jù)源的數(shù)據(jù)對安全性有很高的要求，而云計算要嚴重依賴于大型計算中心的物理位置，可能超出了安全受限的地理范圍。邊緣計算提供了一種從集中式自上而下的基礎(chǔ)架構(gòu)轉(zhuǎn)變?yōu)榉稚⑹叫湃文Ｐ宛I機制。在邊緣可以采用更為嚴格或者特殊的加密機制，將邊緣節(jié)點劃為安全防護的設備范圍，通過在邊緣保留和處理數(shù)據(jù)，可以通過最大限度地減少敏感信息向云的傳輸來增加隱私。

2.3 降低網(wǎng)絡負載

這個應該是邊緣計算帶來的額外好處，因為邊緣計算可以在本地處理一些簡單的任務，例如數(shù)據(jù)過濾、數(shù)據(jù)聚合等，減少數(shù)據(jù)傳輸?shù)牧亢途W(wǎng)絡負載，降低網(wǎng)絡帶寬的要求。利己的同時也利他，提升了網(wǎng)絡帶寬的可用性，減少不必要的網(wǎng)絡傳輸，做到我好，你也好。

2.4 可靠性提升

任何系統(tǒng)的搭建，中間節(jié)點越多，出現(xiàn)故障的概率就越大。邊緣計算在架構(gòu)設計上就是減少了對云端的依賴，旁路了骨干網(wǎng)或者云端服務終端和故障對業(yè)務的影響。邊緣設備通常具有一定的自主性和獨立性，可以在云端服務中斷或故障時繼續(xù)進行本地處理，從而保證了系統(tǒng)的可用性。

2.5 更靈活的本地化部署

邊緣計算相比于云計算更容易實現(xiàn)本地化的業(yè)務定制開發(fā)。邊緣計算將計算資源放置在靠近終端設備的邊緣位置，使得開發(fā)人員可以更方便地利用本地化的資源和數(shù)據(jù)，針對具體的業(yè)務需求進行開發(fā)和定制，從而更好地滿足用戶的個性化需求。

當然，上述的優(yōu)點，也不是意味著一定要部署邊緣計算。畢竟，在邊緣計算中，可用的數(shù)據(jù)量可能會受到設備數(shù)量、網(wǎng)絡帶寬等因素的限制，這會導致數(shù)據(jù)的樣本數(shù)量相對較小，從而可能影響到數(shù)據(jù)分析和挖掘的精度和效果?？蓞⒖嫉臄?shù)據(jù)量還是有限，這就類似于氣泡效應或者同溫層效應，很難拉通其他同質(zhì)業(yè)務的其他類似數(shù)據(jù)分析和挖掘。相比之下，云計算具有更大的規(guī)模和更多的數(shù)據(jù)來源，可以為更廣泛的業(yè)務場景提供更豐富、更準確的數(shù)據(jù)。這也是云計算的優(yōu)勢之一。

那么現(xiàn)在這個概念這么火，到底是哪些玩家在主推邊緣計算呢？

3.1 云計算玩家

誠然，邊緣計算在市場競爭上會對云計算造成某種程度的市場侵蝕，但是這并不是簡單的零和博弈。云計算和邊緣計算并不是對立的關(guān)系，它們可以相互補充，形成云邊一體的整體解決方案。邊緣計算可以解決云計算中無法處理的延遲和帶寬問題，而云計算則可以提供強大的數(shù)據(jù)處理能力和資源管理能力。因此，很多云計算玩家為了守住原本該有的市場空間，紛紛提出提前布局邊緣計算而避免市場被其他對手蠶食。換句話說就是進攻時最好的防御，與其讓其他人動自己的奶酪，還不如主動去動其他人動奶酪，與其被革命，還不如自己先變革。云計算玩家大力推廣邊緣計算，是為了守住既有市場份額基礎(chǔ)上，擴大邊緣計算領(lǐng)域的市場，進而提供更全面的解決方案，以滿足客戶更加多樣化和復雜的需求。同時，云計算巨頭也擁有龐大的資源和資金，可以加速邊緣計算技術(shù)的研發(fā)和應用，促進整個行業(yè)的發(fā)展。所以，我們能看到云計算數(shù)據(jù)中心的玩家包括：谷歌、微軟、IBM、亞馬遜、阿里、騰訊、百度、華為等，都在積極擁抱邊緣計算。

谷歌在邊緣計算領(lǐng)域的一個主要舉措是推出了Edge TPU芯片，這是一種專門用于邊緣設備的ASIC芯片，用于加速機器學習推理任務。此外，谷歌還在推出支持TensorFlow Lite的Edge TPU開發(fā)工具包，使得開發(fā)人員可以更方便地將機器學習應用程序部署到邊緣設備上。

微軟的邊緣計算解決方案包括Azure IoT Edge和Azure Stack Edge。Azure IoT Edge是一種在邊緣設備上運行的計算機應用程序，可幫助開發(fā)人員將分析、人工智能和其他計算能力移到邊緣，以便更快地響應數(shù)據(jù)。Azure Stack Edge是一個在邊緣部署Azure服務的設備。

IBM在邊緣計算方面的一個主要舉措是推出了Edge Application Manager，這是一個開源的平臺，用于在邊緣設備上管理、部署和監(jiān)控應用程序。IBM還推出了Watson IoT Edge，這是一個邊緣計算解決方案，可幫助企業(yè)將人工智能和分析能力移到邊緣設備上。

亞馬遜在邊緣計算方面的主要舉措是AWS Greengrass，這是一種在邊緣設備上運行的計算機應用程序，可幫助開發(fā)人員在邊緣處理設備數(shù)據(jù)，并以更快的方式響應事件。

阿里的邊緣計算解決方案包括Link Edge和Aliyun IoT Edge。Link Edge是一種輕量級的邊緣計算平臺，可幫助企業(yè)將數(shù)據(jù)處理和分析移到邊緣，以便更快地響應數(shù)據(jù)。Aliyun IoT Edge是一種在邊緣設備上運行的計算機應用程序，可幫助企業(yè)實現(xiàn)設備本地計算和邊緣計算。

騰訊的邊緣計算解決方案包括IoT Hub和Serverless Cloud Function。IoT Hub是一個在邊緣設備上運行的計算機應用程序，可幫助開發(fā)人員將數(shù)據(jù)處理和分析移到邊緣，以便更快地響應數(shù)據(jù)。Serverless Cloud Function是一種在邊緣設備上運行的計算機應用程序，可幫助企業(yè)實現(xiàn)設備本地計算和邊緣計算。

華為也是一家大力推廣邊緣計算的公司。早在2017年，華為就提出了“云-邊結(jié)合”戰(zhàn)略，力求為客戶提供全場景智能云服務。華為的邊緣計算解決方案包括了一系列產(chǎn)品和解決方案，例如華為云邊緣計算引擎（MEC）、Atlas 800邊緣推理服務器等。

3.2 硬件玩家

作為全球領(lǐng)先的半導體芯片制造商，Intel一直在積極推動邊緣計算的發(fā)展。它推出了Intel NUC（Next Unit of Computing）迷你電腦，為邊緣計算提供了更高效的解決方案。此外，Intel還開發(fā)了邊緣計算協(xié)議（ECPS），旨在為設備和系統(tǒng)提供統(tǒng)一的邊緣計算標準。此外，Intel還推出了OpenVINO工具包，用于在邊緣設備上運行深度學習應用程序，以實現(xiàn)更快的推理速度。

作為另一個重要的半導體芯片制造商，ARM也在積極推動邊緣計算。該公司推出了許多針對嵌入式設備的芯片和處理器，包括其M系列和R系列芯片。ARM還開發(fā)了Mbed操作系統(tǒng)和Pelion IoT平臺，以支持邊緣設備的連接和管理。ARM還積極與其他技術(shù)提供商合作，如Microsoft和Amazon Web Services，以在邊緣計算領(lǐng)域推出新的解決方案。

Dell是一家著名的計算機制造商和技術(shù)服務提供商，該公司通過其Dell EMC和VMware子公司積極推動邊緣計算。Dell EMC推出了一系列針對邊緣計算的硬件和軟件產(chǎn)品，如VxRail，一個基于Hyperconverged Infrastructure（HCI）的邊緣計算解決方案。VMware推出了vSphere和vSAN等邊緣計算軟件解決方案，以幫助企業(yè)將應用程序和數(shù)據(jù)擴展到邊緣設備。

作為網(wǎng)絡設備制造商的Cisco，也在積極推動邊緣計算的發(fā)展。該公司推出了一系列邊緣計算解決方案，如Cisco Kinetic，用于管理和分析大量的物聯(lián)網(wǎng)數(shù)據(jù)。Cisco還推出了一系列基于邊緣計算的硬件產(chǎn)品，如路由器、交換機和服務器等，以支持物聯(lián)網(wǎng)應用程序在邊緣設備上的部署。

GE早在2015年就推出了邊緣計算平臺“Predix”，該平臺提供實時分析、工作流和機器學習能力，可以用于工業(yè)制造、能源和交通等行業(yè)。GE還與C3.ai合作開發(fā)了一個工業(yè)AI應用程序，該程序在邊緣設備上運行，可在工業(yè)制造和物流中進行預測性維護和優(yōu)化。

西門子已經(jīng)開始利用邊緣計算來實現(xiàn)其“數(shù)字化工廠”愿景。該公司開發(fā)了名為“邊緣管理器”的工具，可以將數(shù)據(jù)處理和分析功能從云端轉(zhuǎn)移到本地設備上，從而實現(xiàn)更快的響應時間和更好的數(shù)據(jù)隱私保護。西門子還推出了名為“邊緣應用中心”的解決方案，可以在本地設備上運行各種應用程序，例如實時監(jiān)測和控制制造過程。

3.3 CDN玩家

CDN（內(nèi)容分發(fā)技術(shù)的英文縮寫）技術(shù)其實最早應用邊緣技術(shù)的。CDN是指在互聯(lián)網(wǎng)中通過在各個網(wǎng)絡節(jié)點上部署緩存服務器，并利用這些服務器緩存原始服務器上的內(nèi)容，從而加快用戶對于內(nèi)容訪問的速度的一種技術(shù)。CDN 的核心思想就是通過將內(nèi)容盡可能地分發(fā)到最接近用戶的節(jié)點上，減少了用戶和內(nèi)容源之間的距離，從而提高了內(nèi)容訪問的速度和用戶體驗。CDN 技術(shù)的本質(zhì)是將原本在中心化的服務器上的服務分散到邊緣節(jié)點上進行處理，以此實現(xiàn)更快的響應速度和更好的用戶體驗。因此，在一定程度上，CDN 可以被視為邊緣計算的雛形技術(shù)。但和邊緣計算又不太一樣，CDN 更加專注于內(nèi)容分發(fā)，著重解決網(wǎng)絡延遲和訪問速度的問題；而邊緣計算則更加廣泛，不僅包括了內(nèi)容分發(fā)，還包括了數(shù)據(jù)處理、計算、存儲等方面，更加注重將計算能力盡可能地靠近用戶和設備，以提供更快的響應速度和更好的用戶體驗。

除了亞馬遜云服務（AWS）的CloudFront和谷歌的Cloud CDN，現(xiàn)在還有一些較小的CDN公司專注于邊緣計算，例如Fastly、Akamai、CloudFlare成、Nuu、Limelight Networks、StackPath等。這些公司利用邊緣節(jié)點提供高速、高可靠性的內(nèi)容分發(fā)服務，并將計算和存儲資源放置在接近用戶的邊緣位置，以加快內(nèi)容的傳輸速度和響應時間。這些CDN公司通過提供具有較低延遲的邊緣計算平臺，幫助企業(yè)加速了他們的數(shù)字轉(zhuǎn)型和業(yè)務增長。

3.4 移動運營商

移動運營商在搶占邊緣計算市場方面發(fā)揮了重要作用，因為它們擁有廣泛的網(wǎng)絡基礎(chǔ)設施和客戶基礎(chǔ)。在競爭激烈的市場中，為了獲得高性能低延遲的服務，移動運營商紛紛開始部署移動邊緣計算（MEC）。

Verizon：Verizon 5G Edge是該公司的邊緣計算解決方案。它與亞馬遜 AWS、IBM 和 Microsoft 等公司合作，在其網(wǎng)絡邊緣部署計算、存儲和網(wǎng)絡服務，以提供更低的延遲和更高的可靠性，以支持智能制造、自動駕駛車輛、虛擬現(xiàn)實和增強現(xiàn)實等應用。

AT&T：AT&T Edge Compute 是該公司的邊緣計算平臺。它與微軟合作，使用 Azure Stack Edge 在網(wǎng)絡邊緣提供計算和存儲服務。該公司還與 VMware 合作推出 Multi-access Edge Compute（MEC），以在其無線網(wǎng)絡邊緣提供計算和存儲服務。

Deutsche Telekom：Deutsche Telekom 合作伙伴包括 Edge Gravity、MobiledgeX 和 SK Telecom，共同推出了邊緣計算平臺。Edge Gravity 是其子公司 Limelight Networks 的一項邊緣計算服務，提供邊緣計算和存儲，以便客戶在網(wǎng)絡邊緣運行應用程序。

China Mobile：中國移動通過與華為、中興和 Intel 等公司合作，開發(fā)了其邊緣計算平臺。該平臺使用機柜級服務器，可在移動網(wǎng)絡邊緣提供計算和存儲服務，以支持大規(guī)模的物聯(lián)網(wǎng)和工業(yè)物聯(lián)網(wǎng)應用。

除了上述提及的一些，還有很多專業(yè)領(lǐng)域都在邊緣計算有投入，還有一些創(chuàng)業(yè)公司和初創(chuàng)企業(yè)也在開發(fā)各種邊緣計算技術(shù)和應用?？偟膩碚f，邊緣計算的推動者非常多樣化。如果用上生機勃勃這樣的詞匯毫不過分。

以上談的都是生態(tài)和好處，那么邊緣計算有什么關(guān)鍵技術(shù)嗎？接下來智愿君來聊一些邊緣計算的熱點技術(shù)話題。

邊緣計算下沉到什么層級是合理的？

部署邊緣計算并不是拍腦袋的事情，往往需要綜合的考量。拿5G的移動邊緣計算（MEC）來說，下沉到什么位置，需要考慮多方面因素，主要包括以下幾個原則：

• 服務質(zhì)量需求：需要根據(jù)不同的應用場景和業(yè)務需求，綜合考慮服務的質(zhì)量需求，如時延、可靠性、吞吐量等因素，選擇合適的位置。

• 網(wǎng)絡拓撲結(jié)構(gòu)：需要根據(jù)網(wǎng)絡拓撲結(jié)構(gòu)，包括核心網(wǎng)、邊緣網(wǎng)、無線接入網(wǎng)等，結(jié)合MEC的位置、網(wǎng)絡資源、網(wǎng)絡拓撲等因素，做出合理的部署決策。

• 成本和效益：MEC的部署位置和規(guī)模需要考慮成本和效益之間的平衡，不同位置和規(guī)模的部署可能會帶來不同的成本和效益，需要根據(jù)實際情況綜合考慮。

• 安全和隱私：MEC的部署需要考慮安全和隱私問題，如保護用戶隱私、防范網(wǎng)絡攻擊等，需要選擇合適的位置和安全策略。

在考慮以上原則的前提下，有幾個部署位置的選擇：

• 放在DU（分布式單元）中：DU是5G架構(gòu)中的基礎(chǔ)組件之一，屬于網(wǎng)絡邊緣層（Edge Layer）設備，主要負責無線資源管理和用戶數(shù)據(jù)傳輸。將邊緣計算放在DU中可以減少時延和網(wǎng)絡擁塞，適合于需要低時延和高帶寬的應用場景，比如AR/VR、自動駕駛等。

• 放在CU（中央單元）中：CU是5G架構(gòu)中的核心組件之一，屬于網(wǎng)絡中心層（Core Layer）設備，主要負責無線接入和用戶控制，可以對網(wǎng)絡資源進行動態(tài)調(diào)度和優(yōu)化。將邊緣計算放在CU中可以提高網(wǎng)絡的智能化程度，適合于需要智能決策和調(diào)度的應用場景，比如物聯(lián)網(wǎng)、智能制造等。

• 放在核心網(wǎng)中：核心網(wǎng)也屬于網(wǎng)絡中心層（Core Layer）設備，將邊緣計算放在核心網(wǎng)中可以實現(xiàn)數(shù)據(jù)的全局調(diào)度和管理，適合于需要全局數(shù)據(jù)協(xié)同和管理的應用場景，比如金融、醫(yī)療等。

MEC的部署位置可以根據(jù)具體的業(yè)務需求和實際情況靈活選擇，可以部署在DU、CU或者核心網(wǎng)等位置，也可以通過多層次的部署方式，不同層次的節(jié)點可以相互協(xié)同，形成一個完整的邊緣計算網(wǎng)絡。根據(jù)不同的應用場景和需求，可以選擇不同的部署方式和層次，以滿足不同的性能和效率要求。

當面臨邊緣計算，云計算和霧計算的選擇的時候，如何平衡？

邊緣計算可以采用一級或多級設置，這取決于應用程序的需求和網(wǎng)絡拓撲。在采用邊緣計算的前提下，仍可以設置云計算，這有助于更高級別的處理和數(shù)據(jù)分析。在云計算和邊緣計算之間可以設置霧計算，以擴展到更廣泛的網(wǎng)絡范圍，并幫助解決網(wǎng)絡延遲和帶寬問題。關(guān)于云計算節(jié)點聯(lián)接的移動邊緣計算或霧計算節(jié)點的數(shù)量，沒有固定的規(guī)定，因為這取決于具體的應用場景、網(wǎng)絡規(guī)模和處理能力等因素。通常需要在實際場景中進行測試和優(yōu)化，以獲得最佳性能和效率。

假設你是一個智能家居公司的技術(shù)總監(jiān)，你的公司生產(chǎn)的智能家居設備需要通過互聯(lián)網(wǎng)來與用戶的手機進行通信?，F(xiàn)在，你需要決定智能家居設備的通信架構(gòu)。這時候，邊緣計算和云計算就可以應用上了。

首先，你可以考慮將一些簡單的計算任務放到智能家居設備本身，這樣就能減輕云端服務器的負擔，提高通信效率。比如，將智能家居設備與用戶手機之間的身份認證、數(shù)據(jù)加密解密、數(shù)據(jù)壓縮等簡單計算任務放到設備端進行處理，這就是邊緣計算的應用。邊緣計算可以提高智能家居設備的反應速度，降低通信延遲，減少對云端計算資源的依賴。

但是，對于一些需要復雜計算的任務，比如圖像識別、語音識別等，邊緣計算的計算能力顯然是不夠的，這時候就需要借助云計算了。你可以將這些復雜計算任務交給云端服務器進行處理，并將處理結(jié)果返回給智能家居設備和用戶手機。這樣，就能充分利用云端計算資源，提高系統(tǒng)的計算能力和精度。

當然，還有一些計算任務，可能需要在邊緣計算和云計算之間進行協(xié)同處理。這時候，就需要借助霧計算來實現(xiàn)。比如，某些數(shù)據(jù)需要在邊緣進行初步處理，然后再將處理結(jié)果發(fā)送到云端進行進一步分析，最后再將分析結(jié)果返回到邊緣。這樣的數(shù)據(jù)處理過程中，邊緣計算和云計算需要進行協(xié)同處理，霧計算就能起到協(xié)同作用。

在實際應用中，邊緣計算、云計算和霧計算的具體應用方式和比例會根據(jù)應用場景的不同而有所不同。但總的來說，它們可以共同構(gòu)建一個分層的計算架構(gòu)，從而實現(xiàn)更高效、更精確的數(shù)據(jù)處理和應用。

在云計算與邊緣計算間優(yōu)化配置計算能力需要考慮到許多因素，例如應用的特點、數(shù)據(jù)的位置、通信延遲和網(wǎng)絡帶寬等等。計算能力的分割可以是固定的，也可以是可動態(tài)調(diào)整的。對于固定的分割，不同的任務將會在預先規(guī)定好的計算節(jié)點上進行處理；對于可動態(tài)調(diào)整的分割，計算任務的處理位置將根據(jù)實時的網(wǎng)絡狀況和設備負載情況進行動態(tài)調(diào)整，以最優(yōu)的方式分配計算資源。

邊緣計算和網(wǎng)絡分片技術(shù)可以結(jié)合在一起以提高網(wǎng)絡效率和性能。網(wǎng)絡分片技術(shù)是5G網(wǎng)絡的一個關(guān)鍵特征，它可以將網(wǎng)絡資源分成多個虛擬的切片，每個切片可以為不同的應用或服務提供專門的網(wǎng)絡資源和性能保障。而邊緣計算可以將應用和服務部署在更靠近終端設備的邊緣節(jié)點上，以提高計算性能和降低時延。

在結(jié)合邊緣計算和網(wǎng)絡分片技術(shù)時，可以根據(jù)應用需求將邊緣節(jié)點分配到不同的網(wǎng)絡分片中，以確保應用能夠獲得足夠的網(wǎng)絡資源和性能保障。同時，可以利用邊緣計算節(jié)點上的資源來執(zhí)行網(wǎng)絡分片管理和控制任務，以降低網(wǎng)絡分片管理的時延和復雜度。

例如，在一個智能制造場景中，通過將邊緣計算節(jié)點部署在不同的網(wǎng)絡分片中，可以為不同的機器人和生產(chǎn)設備提供專門的計算資源和網(wǎng)絡連接。邊緣節(jié)點可以通過處理本地數(shù)據(jù)和執(zhí)行控制任務，提高生產(chǎn)效率和質(zhì)量，并減少對云計算資源的依賴。同時，網(wǎng)絡分片技術(shù)可以為生產(chǎn)設備提供足夠的網(wǎng)絡資源和保障，以確保實時通信和數(shù)據(jù)傳輸?shù)目煽啃院偷蜁r延。

邊緣計算和虛擬網(wǎng)元技術(shù)可以結(jié)合使用來實現(xiàn)更高效的網(wǎng)絡服務。虛擬網(wǎng)元技術(shù)可以將網(wǎng)絡功能虛擬化為獨立的軟件模塊，這些模塊可以在邊緣計算節(jié)點上運行。這樣一來，邊緣計算節(jié)點就可以提供網(wǎng)絡功能服務，比如路由、防火墻、負載均衡等。同時，虛擬網(wǎng)元技術(shù)可以使得網(wǎng)絡功能服務可以在需要的時候動態(tài)地部署和調(diào)度到合適的邊緣計算節(jié)點上，從而更好地支持移動性、彈性和可靠性。

以5G網(wǎng)絡為例，邊緣計算節(jié)點可以被部署為虛擬網(wǎng)元，以提供網(wǎng)絡功能服務。這些節(jié)點可以部署在接近無線電網(wǎng)絡基站的位置，以提高網(wǎng)絡的響應速度和帶寬利用率。虛擬網(wǎng)元技術(shù)可以將網(wǎng)絡功能虛擬化為獨立的軟件模塊，這些模塊可以在邊緣計算節(jié)點上動態(tài)地部署和調(diào)度，以響應網(wǎng)絡服務的需求。這樣一來，邊緣計算節(jié)點可以更好地支持5G網(wǎng)絡的移動性和彈性，同時提供更好的網(wǎng)絡服務質(zhì)量。

之所以談到網(wǎng)絡切片和虛擬化，是因為邊緣計算不僅僅是單一的計算能力，而是需要集成多種功能和技術(shù)來實現(xiàn)更加復雜的任務。邊緣計算可以獨立設置，也可以與其他功能集成，具體取決于應用場景和需求。舉例來說，5G基站邊緣計算中，它需要集成大數(shù)據(jù)采集、加密、緩存、數(shù)據(jù)分析和過濾等功能。邊緣計算節(jié)點作為數(shù)據(jù)的第一站，在接收到數(shù)據(jù)后可以通過集成的計算能力，快速地進行數(shù)據(jù)處理和分析，并將處理后的數(shù)據(jù)緩存下來，以供后續(xù)使用。此外，邊緣計算節(jié)點還可以集成加密技術(shù)來確保數(shù)據(jù)的安全傳輸和存儲。

更進一步來說，邊緣計算的網(wǎng)絡切片和虛擬化支持使其具備了軟件定義的能力。通過軟件定義網(wǎng)絡（SDN）和網(wǎng)絡功能虛擬化（NFV）技術(shù)，邊緣計算可以動態(tài)地分配和管理資源，實現(xiàn)可編程性和自動化。這意味著邊緣計算可以根據(jù)不同應用程序和服務的需求，動態(tài)地調(diào)整網(wǎng)絡和計算資源，以滿足不同的性能要求。這種靈活性和可編程性使得邊緣計算可以更好地適應不斷變化的應用需求，并具備更好的可擴展性和可維護性。

在部分業(yè)務場景下，邊緣計算節(jié)點之間需要通信協(xié)同完成分布式計算任務。例如，在一個智能城市的場景中，交通監(jiān)控節(jié)點和交通信號燈節(jié)點可以協(xié)同工作來減少交通擁堵。但邊緣節(jié)點之間的通信協(xié)同需要考慮多種因素，以便提高通信效率和可靠性：

通信方式的選擇：需要根據(jù)節(jié)點之間的關(guān)系和通信需求，選擇合適的通信方式?？梢酝ㄟ^直接通信、通過云端協(xié)調(diào)通信或者基于P2P技術(shù)的通信。但是不同的通信網(wǎng)絡延遲和負擔會腹痛，管理的復雜度也不同。

網(wǎng)絡拓撲的設計：需要根據(jù)節(jié)點之間的物理位置和網(wǎng)絡帶寬等因素，合理設計節(jié)點之間的網(wǎng)絡拓撲結(jié)構(gòu)，以便提高通信效率和可靠性。

通信協(xié)議的設計：需要選擇合適的通信協(xié)議，并根據(jù)通信需求進行定制化開發(fā)，以便提高通信效率和可靠性。

安全策略的制定：需要對節(jié)點之間的通信進行合理的安全策略制定，以保證信息的機密性、完整性和可用性。

隨著很多計算邊緣化，原基于云計算的服務生態(tài)也會遷移到邊緣計算節(jié)點。一般來說，邊緣計算可以提供至少兩層服務能力：基礎(chǔ)設施層和應用服務層。基礎(chǔ)設施層主要提供IaaS和PaaS服務，包括計算資源、存儲資源、網(wǎng)絡資源和應用開發(fā)工具等；應用服務層主要提供SaaS和DaaS服務，包括應用程序、數(shù)據(jù)服務、分析服務和安全服務等。不同的應用場景和需求可能需要不同的服務層次和服務類型。例如，在增強人臉識別能力的應用中，邊緣計算需要提供PaaS服務來支持算法模型的開發(fā)和管理，需要提供SaaS服務來支持視頻轉(zhuǎn)碼等功能，也需要提供DaaS服務來支持數(shù)據(jù)的采集、存儲和分析等。

無論何時何地，數(shù)據(jù)都需要即時可用，這一趨勢越來越明顯。全球各行各業(yè)都在經(jīng)歷由這種需求推動的“數(shù)字化轉(zhuǎn)型”。根據(jù)IDC的分析，到2025年，全球創(chuàng)建的數(shù)據(jù)中，超過四分之一的數(shù)據(jù)在本質(zhì)上都是實時數(shù)據(jù)，而物聯(lián)網(wǎng)實時數(shù)據(jù)將占這部分數(shù)據(jù)的95%以上。大量涌現(xiàn)的數(shù)據(jù)催生出了一系列全新的技術(shù)，機器學習、自然語言處理和人工智能，它們將數(shù)據(jù)分析從不常見的、追溯式的實踐，轉(zhuǎn)變成為戰(zhàn)略決策和行動的前攝式推動因素。這些技術(shù)可以大大提高各種行業(yè)、環(huán)境和應用數(shù)據(jù)分析的頻率、靈活性和即時性。同樣根據(jù)IDC的預測，到 2025 年，屬于數(shù)據(jù)分析的全球數(shù)據(jù)總量將增長至原來的50倍，達到 5.2ZB；而機器學習所“觸及”的分析數(shù)據(jù)總量將增長至原來的100倍，達到1.4ZB。

這一趨勢變化會推進人工智能向邊緣靠攏，減少了數(shù)據(jù)傳輸?shù)难舆t和帶寬消耗，同時也可以更好地保護用戶隱私。

邊緣智能的實現(xiàn)需要利用到各種AI技術(shù)，例如機器學習、深度學習、自然語言處理等，通過對本地數(shù)據(jù)的處理和分析，邊緣設備可以快速做出響應并進行實時決策。此外，邊緣智能還可以與物聯(lián)網(wǎng)（IoT）技術(shù)相結(jié)合，通過智能傳感器和設備采集環(huán)境數(shù)據(jù)、生產(chǎn)數(shù)據(jù)等實時數(shù)據(jù)，進一步提高設備的智能化水平。

對不同類型的計算平臺，在不同時間創(chuàng)建和使用的數(shù)據(jù)量，機器學習被劃分為3種類型：

云端機器學習是指將大規(guī)模的機器學習任務放在云端進行處理，通常需要海量的計算資源和存儲資源。用戶可以通過云服務商提供的平臺和工具，進行數(shù)據(jù)處理、特征提取、模型訓練和推理等任務。云端機器學習適用于數(shù)據(jù)量大、計算復雜度高的場景，例如語音識別、圖像識別、自然語言處理等。

邊緣機器學習是指將機器學習任務放在邊緣設備或者邊緣服務器上進行處理，將計算和存儲資源盡可能地靠近數(shù)據(jù)源和終端用戶。邊緣機器學習適用于需要快速響應和低延遲的場景，例如智能家居、智能醫(yī)療、自動駕駛等。

TinyML是指在資源受限的設備上運行輕量級的機器學習算法，通常需要滿足低功耗、低內(nèi)存、低帶寬和低成本等要求。TinyML可以運行在微控制器、傳感器和嵌入式系統(tǒng)等設備上，可以實現(xiàn)物聯(lián)網(wǎng)設備的智能化，例如智能家居、智能工業(yè)、智能農(nóng)業(yè)等。

隨著太空探索任務的不斷發(fā)展和計算需求的不斷增加，傳統(tǒng)的中心化地面計算已經(jīng)無法滿足需求，因此太空邊緣計算技術(shù)應運而生。太空邊緣計算技術(shù)是指將邊緣計算應用于太空探索中的計算任務，利用在軌道衛(wèi)星等太空設備上的邊緣計算節(jié)點來實現(xiàn)計算任務的處理。

太空邊緣計算，最重要的是將太空很多設備之間的協(xié)同工作方式變成了不用事無巨細地通過地面節(jié)點來進行控制協(xié)調(diào)，從而極大降低了延遲（畢竟衛(wèi)星和地面的距離太大了），節(jié)省了寶貴的衛(wèi)星傳輸?shù)膸挘瑫r也避免了太空和地面通信終端引發(fā)的數(shù)據(jù)丟失和系統(tǒng)故障。目前還沒有完全采用太空邊緣計算技術(shù)的衛(wèi)星系統(tǒng)，但有一些正在研究和開發(fā)中。例如，美國國防高級研究計劃局（DARPA）正在推進一個名為"OrbitOutlook"的項目，旨在研究和開發(fā)在太空中運行的邊緣計算技術(shù)。不過已經(jīng)有在衛(wèi)星上部署計算和機器學習軟件的應用案例。AWS與D-Orbit和Unibap合作，在衛(wèi)星上部署了計算和機器學習軟件，以便在軌道上對大量地球觀測（EO）圖像數(shù)據(jù)進行快速分析。這種在軌道上進行實時數(shù)據(jù)處理和分析的能力有助于提高對地球觀測和通信任務的響應速度，提高衛(wèi)星系統(tǒng)的效率和可靠性。這種技術(shù)也可以為未來的太空任務提供新的可能性，例如在太空探索和未來的空間工業(yè)中應用邊緣計算和機器學習。

今天談了很多邊緣計算的內(nèi)容。大家會發(fā)現(xiàn)，邊緣計算應用場景非常廣泛。邊緣計算技術(shù)就像是一座橋梁，將人與人、人與物、物與物之間的距離縮短，讓信息和智能在不同的場景之間流動無阻。這座橋梁不僅是連接智慧城市、智能制造、智慧醫(yī)療等各行各業(yè)的關(guān)鍵支撐，還可以讓無處不在的物聯(lián)網(wǎng)設備和嵌入式設備獲得更高效、更靈活、更安全的計算和存儲能力，從而實現(xiàn)更多元化、更智能化的應用場景。

我們有理由相信未來，邊緣計算技術(shù)將變得更加智能和高效，它將像人類的神經(jīng)系統(tǒng)一樣無處不在、快速反應、智能計算，使得我們的生活更加便捷、高效，甚至可能開啟一個全新的數(shù)字化時代，讓人類與機器更加親密地融合在一起。同時，隨著太空邊緣計算技術(shù)的發(fā)展，我們甚至可以看到未來太空中將會部署更多的智能設備和系統(tǒng)，讓人類可以更加深入地探索宇宙，開啟一個更加宏偉的數(shù)字化時代。

<本文完>